HO - GĐ/CV Xây dựng và triển khai mô hình
Mô tả công việc
1. Xây dựng và phát triển mô hình
-
Xây dựng, phát triển và cải tiến các mô hình đo lường rủi ro, mô hình định lượng, mô hình thống kê và mô hình phân tích dữ liệu phục vụ hoạt động kinh doanh và quản trị rủi ro.
-
Nghiên cứu, xây dựng và ứng dụng các mô hình AI/Machine Learning/Deep Learning theo nhu cầu và định hướng từng thời kỳ.
-
Phát triển các giải pháp RAG, OCR, AI Agent và các ứng dụng AI nhằm nâng cao hiệu quả phân tích, tự động hóa và hỗ trợ ra quyết định.
-
Nghiên cứu, lựa chọn và áp dụng các phương pháp, thuật toán và công nghệ phù hợp nhằm nâng cao độ chính xác và hiệu quả của mô hình.
2. Triển khai và vận hành mô hình
-
Triển khai các mô hình AI/ML và Risk Modeling lên môi trường vận hành, bao gồm Public Cloud (AWS, Azure, GCP).
-
Phối hợp xây dựng và hoàn thiện quy trình MLOps, CI/CD, Docker, Infrastructure as Code (IaC) nhằm đảm bảo khả năng triển khai và vận hành mô hình ổn định.
-
Theo dõi, giám sát hiệu quả, hiệu năng, độ ổn định và chất lượng dữ liệu của mô hình sau triển khai.
-
Thực hiện tái hiệu chỉnh, tối ưu hóa hoặc thay thế mô hình khi có dấu hiệu suy giảm hiệu quả hoặc không còn phù hợp với yêu cầu kinh doanh và quản trị rủi ro.
3. Quản trị và kiểm soát mô hình
-
Đánh giá, kiểm định và giám sát chất lượng mô hình theo các tiêu chuẩn, quy định nội bộ và thông lệ quốc tế.
-
Đảm bảo mô hình tuân thủ các yêu cầu liên quan đến quản trị rủi ro, Basel, pháp luật và quy định của cơ quan quản lý.
-
Phân tích kết quả mô hình, nhận diện rủi ro và đề xuất các giải pháp cải tiến phù hợp.
-
Tham gia quản lý và triển khai các dự án AI/ML, Data Science và Risk Modeling theo phân công.
Yêu cầu ứng viên
1. Trình độ học vấn
Trình độ:
-
Tốt nghiệp Đại học trở lên; ưu tiên ứng viên có bằng Thạc sĩ.
Chuyên ngành:
-
Toán tài chính, Toán kinh tế, Toán thống kê, Tài chính – Ngân hàng, Kế toán, Kiểm toán, Định phí bảo hiểm, Công nghệ thông tin, Khoa học dữ liệu, Khoa học tự nhiên – Kỹ thuật – Công nghệ hoặc các ngành thuộc khối Kinh tế.
Chứng chỉ:
-
Ưu tiên ứng viên có các chứng chỉ về Data Science, Machine Learning, FRM, Database/SQL/Oracle hoặc các chứng chỉ chuyên môn liên quan.
2. Kiến thức và chuyên môn
-
Có kiến thức và kinh nghiệm về Data Science, Big Data, thống kê, phân tích định lượng và xây dựng mô hình AI/Machine Learning/Deep Learning.
-
Có kiến thức về Risk Modeling, Credit Risk Modeling, Model Risk Management và các tiêu chuẩn quản trị rủi ro quốc tế như Basel.
-
Có kiến thức về hoạt động ngân hàng, quy trình tín dụng và quản trị rủi ro ngân hàng.
-
Có kiến thức về pháp luật, quy định liên quan đến hoạt động ngân hàng, dữ liệu và quản trị rủi ro.
-
Có kiến thức về kinh tế vĩ mô và các yếu tố kinh tế – xã hội có ảnh hưởng đến hoạt động ngân hàng.
-
Có kinh nghiệm xây dựng, triển khai và đánh giá mô hình AI/ML.
-
Có kinh nghiệm triển khai mô hình trên Public Cloud: AWS, Azure, GCP.
-
Có kinh nghiệm xây dựng các giải pháp RAG, OCR, AI Agent hoặc các ứng dụng Generative AI.
-
Thành thạo hoặc có kinh nghiệm sử dụng các thư viện/framework như scikit-learn, LangChain, LangGraph, LlamaIndex.
-
Có kiến thức về MLOps, Docker, IaC, CI/CD và Infrastructure.
-
Có kinh nghiệm quản lý dự án là lợi thế.
3. Kỹ năng
-
Thành thạo Python, R, SQL và các công cụ xử lý, phân tích dữ liệu.
-
Có kỹ năng phân tích dữ liệu, tư duy định lượng và giải quyết vấn đề.
-
Có khả năng nghiên cứu, đánh giá và tối ưu hóa mô hình.
-
Có kỹ năng quản lý dự án và phối hợp đa phòng ban.
-
Có khả năng quản lý, dẫn dắt và phát triển đội nhóm.
-
Kỹ năng giao tiếp và đọc hiểu tiếng Anh tốt, đặc biệt trong lĩnh vực công nghệ, dữ liệu và tài chính – ngân hàng.
4. Kinh nghiệm
-
Tối thiểu 03 năm kinh nghiệm trong lĩnh vực Data Science, AI/ML, Risk Modeling, Model Development, Model Validation hoặc các lĩnh vực tương đương.
-
Ưu tiên ứng viên có kinh nghiệm trong AI/Machine Learning, Risk Analytics hoặc Model Risk Management.
-
Kinh nghiệm xây dựng, triển khai hoặc kiểm định mô hình tại ngân hàng, công ty tài chính, công ty bảo hiểm, công ty tư vấn hoặc công ty công nghệ là lợi thế.
Phân tích kỹ năng cần có
Phân tích kỹ năng cần có cho vị trí GĐ/CV Xây dựng và Triển khai Mô hình tại ACB
Đây là vị trí hybrid rất hiếm trên thị trường: kết hợp giữa chuyên gia rủi ro ngân hàng và kỹ sư AI/ML hạng nặng. ACB không tuyển một data scientist thuần túy, mà tìm người hiểu cả hai phía — vừa build model vừa hiểu Basel II/III, vừa code Python vừa hiểu tín dụng.
---
🎯 Bảng phân loại kỹ năng theo mức độ quan trọng
| Nhóm k năng | Mức độ | Ghi chú |
|---|---|---|
| AI/ML cốt lõi (scikit-learn, deep learning) | 🔴 Bắt buộc | Yêu cầu cứng |
| Risk Modeling (Credit Risk, Basel, PD/LGD/EAD) | 🔴 Bắt buộc | Phân biệt ứng viên pass/fail |
| Python + SQL + R | 🔴 Bắt buộc | Stack chính |
| Cloud (AWS/Azure/GCP) | 🔴 Bắt buộc | Triển khai production |
| MLOps (Docker, CI/CD, IaC) | 🟠 Rất quan trọng | Phân biệt senior vs mid |
| GenAI stack (LangChain, RAG, OCR, AI Agent) | 🟠 Rất quan trọng | Điểm cộng lớn |
| Hiểu biết ngân hàng (tín dụng, vận hành) | 🟠 Rất quan trọng | Domain knowledge |
| Tiếng Anh chuyên ngành | 🟡 Quan trọng | Đọc tài liệu, paper |
| Quản lý dự án + lead team | 🟡 Có lợi thế | Cho cấp GĐ |
---
🛠️ Hard Skills chi tiết
1. Lập trình & Data Engineering
- Python: pandas, numpy, scikit-learn, PyTorch/TensorFlow (phải thành thạo)
- R: thường dùng cho mô hình thống kê, credit scoring — biết thêm là lợi thế
- SQL: Oracle hoặc SQL Server — viết query tối ưu, xử lý big data
- Big Data tools: Spark, Hadoop, Kafka (ưu tiên)
2. AI/ML & GenAI
- Machine Learning: regression, classification, ensemble, time-series
- Deep Learning: RNN, LSTM, Transformer
- RAG (Retrieval-Augmented Generation): LangChain, LangGraph, LlamaIndex, vector DB (Pinecone, Weaviate)
- OCR: Tesseract, PaddleOCR, AWS Textract, Azure Form Recognizer
- AI Agent: kiến trúc multi-agent, function calling, tool use
3. Risk Modeling (chuyên ngành)
- PD (Probability of Default), LGD (Loss Given Default), EAD (Exposure at Default)
- Credit scoring (application score, behavioral score)
- IRB approach (Internal Ratings-Based) theo Basel
- Model validation: backtesting, stress testing, sensitivity analysis
- IFRS 9 / CECL: mô hình ECL (Expected Credit Loss)
4. MLOps & Cloud
- Docker, Kubernetes
- CI/CD: Jenkins, GitLab CI, GitHub Actions
- IaC: Terraform, CloudFormation
- Cloud ML services: SageMaker, Azure ML, Vertex AI
---
🤝 Soft Skills
- Tư duy phản biện, đặt câu hỏi "what if" với dữ liệu
- Khả năng dịch bài toán kinh doanh sang bài toán kỹ thuật
- Giao tiếp với stakeholder không chuyên tech (HĐQT, Ban Giám đốc)
- Quản lý xung đột khi model bị challenge bởi người kinh doanh
- Chịu được áp lực từ NHNN, kiểm toán nội bộ
---
Chứng chỉ nên có (ưu tiên)
| Chứng chỉ | Tổ chức | Vai trò |
|---|---|---|
| FRM (Financial Risk Manager) | GARP | Vàng cho risk modeling |
| AWS Certified ML Specialty | AWS | Cloud ML |
| TensorFlow Developer / PyTorch | Google/Meta | Deep Learning |
| IBM Data Science Professional | IBM | Foundation |
| OCA Oracle / SQL Server Cert | Oracle/Microsoft | Database |
| PRM (Professional Risk Manager) | PRMIA | Risk management |
Chuẩn bị phỏng vấn
Hướng dẫn phng vấn vị trí Model Development Lead tại ACB
📋 Quy trình tuyển dụng dự kiến (4–5 vòng)
Quy trình tại ACB Khối Quản lý Rủi ro thường kéo dài 2–4 tuần:
Vòng 1 — HR Screening (30–45 phút)
- Xác nhận kinh nghiệm, mức lương, thời gian onboard
- Câu hỏi về lý do nghỉ việc, mong muốn
- Kiểm tra tính phù hợp văn hóa ACB (dynamic, hiệu quả)
Vòng 2 — Technical Test (có thể có)
- ACB có thể gửi case study hoặc test coding
- Thường 2–4 giờ, có thể làm tại nhà
- Dạng bài: xây dựng credit scoring model, hoặc build RAG chatbot
Vòng 3 — Technical Deep Dive (60–90 phút, 2 người phỏng vấn)
- Trưởng phòng/quản lý trực tiếp + senior trong team
- Câu hỏi rất sâu về ML, Basel, model validation
- Có thể có whiteboard coding
Vòng 4 — Head of Division (45–60 phút)
- Giám đốc Khối Quản lý Rủi ro
- Tập trung vision, leadership, cách bạn nhìn bài toán rủi ro
- Đánh giá cultural fit
Vòng 5 — Final (có thể có với GĐ Khối hoặc CEO)
- Nếu cấp GĐ, sẽ có vòng với senior leadership
- Thỏa thuận package cuối cùng
---
❓ Câu hi hay gặp theo từng vòng
Vòng Technical — Machine Learning & Risk
1. Hãy giải thích cách bạn xây dựng một mô hình PD (Probability of Default) từ A–Z. Những bước nào quan trọng nhất?
> Tip: Đề cập data preparation, feature engineering (WOE/IV, time horizon), train/test split theo thời gian (không random), model selection (logistic regression vs gradient boosting), calibration, monitoring. Đừng quên nhắc Basel requirements.
2. Sự khác biệt giữa model validation và model development?
> Validation là độc lập, đánh giá model của người khác, không tối ưu hóa. Development là build và improve.
3. Làm sao phát hiện model drift? Công cụ nào bạn dùng?
> PSI (Population Stability Index), CSI (Characteristic Stability Index), performance decay tracking, data drift detection (KL divergence, KS test)
4. Giải thích RAG hoạt động như thế nào? Tại sao cần RAG thay vì fine-tune LLM?
> RAG = retrieval + generation. Cập nhật real-time, không tốn chi phí training, dữ liệu nội bộ không leak ra ngoài.
5. Bạn đã triển khai model lên production bao giờ chưa? Quy trình MLOps của bạn?
> Kể chi tiết: experiment tracking (MLflow), model registry, CI/CD, shadow deployment, A/B testing, monitoring
6. So sánh XGBoost vs LightGBM vs CatBoost cho credit scoring?
> Tốc độ, xử lý categorical features, overfitting risk
7. Model nào phù hợp cho early warning system (EWS) tại ngân hàng?
> Time-series (ARIMA, LSTM), anomaly detection (Isolation Forest), classification với early-stage signals
8. Basel II và Basel III khác nhau ở điểm nào? IRB approach là gì?
> Capital ratio yêu cầu, liquidity coverage, counterparty risk
Vòng Soft Skill & Leadership
9. Bạn quản lý team kỹ thuật như thế nào khi họ muốn dùng công nghệ mới mà business chưa sẵn sàng?
10. Một mô hình bạn build đã đưa vào production nhưng performance giảm sau 6 tháng. Bạn xử lý ra sao?
11. Khi nào bạn nên reject một yêu cầu từ business?
12. Bạn làm sao để compliance team tin tưởng vào AI black-box?
Vòng Vision / Strategic
13. Bạn thấy AI sẽ thay đổi gì trong risk management ngân hàng Việt Nam 5 năm tới?
14. ACB đang số hóa rất nhanh, bạn sẽ đóng góp gì cụ thể trong 6 tháng đầu?
15. Cân bằng giữa innovation và risk appetite như thế nào?
---
👔 Dress code & tips
- Cấp CV/Chuyên viên: Smart casual — sơ mi, quần tây, giày công sở. ACB không formal như BIG4.
- Cấp G: Business formal — vest, tông màu tối
- Mang theo: 2 bản CV, sổ tay, máy tính nếu cần demo
- Đến sớm 15 phút, ACB ở Tân Bình — tính giờ kẹt xe cẩn thận
💡 Tips "lấy điểm"
1. Luôn nhắc "đảm bảo Basel compliance" — đây là từ khóa ưu tiên số 1
2. Có sẵn 1–2 case study để kể — ví dụ: model bạn đã build, kết quả kinh doanh
3. Hỏi về tech stack hiện tại của ACB — thể hiện bạn đã research
4. Thể hiện bạn hiểu NHNN regulations — Circular 13, 17, 41 về tín dụng
5. Đừng over-technical — panel có thể gồm cả người không chuyên ML
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị trong 1–2 tuần
📅 Tuần 1: Nền tảng kiến thức
Ngày 1–2: Risk Modeling & Basel
- Đọc lại Basel II/III framework: https://www.bis.org
- Học về IRB approach, Foundation vs Advanced
- Ôn PD/LGD/EAD models, cách tính RWA
- Tài liệu: "Credit Risk Modeling" David R. van Deventer
- Đọc summary IFRS 9 ECL model
Ngày 3–4: AI/ML cốt lõi
- Ôn scikit-learn pipeline
- XGBoost/LightGBM cho tabular data (rất hay dùng trong banking)
- Feature engineering: WOE/IV encoding, target encoding
- Imbalanced data: SMOTE, class weight, threshold tuning
- Model evaluation: ROC-AUC, KS statistic, Gini, calibration plot
- Tài liệu: "Hands-On Machine Learning" Aurélien Géron
Ngày 5–6: GenAI Stack
- LangChain basics: chains, agents, retrievers
- RAG architecture: chunking, embeddings, vector DB
- Đọc blog LangChain, Pinecone docs
- Thử build 1 RAG chatbot với dữ liệu financial reports
- OCR: AWS Textract demo
Ngày 7: MLOps & Cloud
- Docker cơ bản → build image
- Kubernetes concept (không cần deep dive)
- MLflow hoặc DVC để track experiments
- SageMaker hoặc Vertex AI overview
---
📅 Tuần 2: Domain + Soft skills
Ngày 8–9: Ngân hàng Việt Nam context
- Đọc Thông tư 41/2016, 13/2018, 17/2020 về tín dụng
- Tìm hiểu quy trình tín dụng ACB: thẩm định, phê duyệt, giám sát
- Đọc báo cáo thường niên ACB 2023–2024
- Tìm hiểu chiến lược số hóa của ACB (ACB One, ACB Smart)
Ngày 10: Macro & thị trường
- Lãi suất, tỷ giá, lạm phát ảnh hưởng NPL ra sao?
- Stress test: scenario nào ngân hàng Việt Nam dễ tổn thương?
Ngày 11: Practice coding
- Code 1 credit scoring model end-to-end với data UCI German Credit
- Code 1 RAG chatbot đơn giản với LangChain + OpenAI
- Review code của bạn, clean up
Ngày 12: Mock interview
- Nhờ bạn bè phỏng vấn thử
- Ghi âm, nghe lại
- Chỉnh sửa câu trả lời dài quá, dùng STAR method
Ngày 13–14: Tinh chỉnh
- Chuẩn bị portfolio: 2–3 projects có số liệu rõ ràng
- Update CV với keywords từ JD
- Luyện 5 câu hỏi khó nhất
---
📚 Tài liệu tham khảo ưu tiên
| Tài liệu | Loại | Link/Tác giả |
|---|---|---|
| "Credit Risk Modeling using Excel" | Sách | David R. van Deventer |
| "Hands-On Machine Learning" | Sách | Aurélien Géron |
| BIS Basel Framework | bis.org | |
| FRM Handbook | GARP | |
| LangChain Documentation | Web | python.langchain.com |
| Towards Data Science (blog) | Web | towardsdatascience.com |
| Kaggle Credit Risk Competition | Practice | Kaggle "Home Credit Default Risk" |
| ACB Annual Report | acb.com.vn |
---
⚡ Quick wins trong 1 tuần nếu sát ngày
1. Đọc JD kỹ — note tất cả keywords
2. Google "ACB + AI + risk" xem có bài báo nào không
3. LinkedIn: tìm người làm ACB risk management, xem profile họ
4. Glassdoor/ViecLamTot review về ACB
5. Chuẩn bị câu hỏi để hỏi interviewer
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho vị trí này
Lộ trình thăng tiến tại ACB và ngành
```
Data Scientist / Risk Analyst (Fresher)
↓ 2–3 năm
Senior Data Scientist / Risk Modeler
↓ 3–5 năm
Chuyên viên cao cấp / Team Lead (← Vị trí này)
↓ 3–5 năm
Giám đốc bộ phận Model Development
↓
Phó Giám đốc Khối Quản lý Rủi ro
↓
Giám đốc Khối / CRO (Chief Risk Officer)
↓
Thành viên HĐQT kiêm nhiệm CRO
```
Nếu bạn vào vị trí này ở cấp CV (Chuyên viên), sau 2–3 năm có thể đề xuất lên CVCC (Chuyên viên cao cấp) hoặc Team Lead. Nếu vào cấp GĐ (Giám đốc), bạn sẽ quản lý team 5–15 người và report trực tiếp lên GĐ Khối.
💰 Mức lương kỳ vọng (thị trường Việt Nam 2024–2025)
| Cấp | Kinh nghiệm | Mức lương gross/tháng |
|---|---|---|
| Chuyên viên | 3–5 năm | 35–55 triệu |
| Chuyên viên cao cấp / Team Lead | 5–8 năm | 55–90 triệu |
| Giám đốc bộ phận | 8–12 năm | 90–150 triệu |
| Phó GĐ Khối | 12+ năm | 150–250 triệu |
| CRO / GĐ Khối | 15+ năm | 200–400 triệu |
ACB thường trả cạnh tranh hơn Vietcombank, BIDV nhưng chưa bằng Techcombank/MB về package tổng. Bonus cuối năm thường 2–4 tháng lương tùy performance.
🧭 Những kỹ năng cần phát triển thêm trong 3 năm tới
1. Regulatory fluency: NHNN đang siết AI trong banking, cần hiểu AI Act, EU AI regulation
2. Explainable AI (XAI): SHAP, LIME — sẽ rất cần khi giải trình với NHNN/kiểm toán
3. Federated Learning & Privacy-preserving ML: xu hướng cho data nhạy cảm
4. Quantum computing cho risk: còn sớm nhưng đón đầu sẽ là lợi thế
5. ESG Risk Modeling: NHNN đang chú trọng rủi ro khí hậu
6. Real-time decisioning: stream processing, decision engine
🎯 Lời khuyên thực tế
- Nếu bạn đang ở fintech/startup: ACB sẽ trả thấp hơn nhưng đổi lấy stability, brand và access dữ liệu lớn. Hãy cân nhắc.
- Nếu bạn đang ở NH nhà nước (VCB, BIDV, CTG): ACB linh hoạt hơn, ra quyết định nhanh hơn, là môi trường tốt để ship product.
- Nếu bạn ở tech giant (Google, Microsoft): Sẽ học được banking domain, nhưng lương sẽ giảm. Chỉ chuyển nếu bạn thực sự muốn ngành dọc.
- Cơ hội tại ACB: Team mới đang build, bạn có thể định hình tech stack. Đây là cơ hội lớn cho ai muốn "land and expand".
🚨 Red flags cần lưu ý
- ACB có thể yêu cầu làm việc tại Hội sở Tân Bình — tính commute
- Vị trí mới, có thể chưa rõ KPI rõ ràng
- Data quality tại NH Việt Nam thường là vấn đề lớn — chuẩn bị tinh thần "đào kho báu trong data bẩn"
Câu hỏi thường gặp
Em mới ra trường ngành Khoa học Dữ liệu, có apply được vị trí này không?
Thật lòng thì JD yêu cầu tối thiểu 3 năm kinh nghiệm, nên cơ hội không cao nếu em chưa có gì trong tay. Nhưng nếu em đã có internship tại ngân hàng, làm project credit scoring trên Kaggle, hoặc có chứng chỉ FRM/AWS, hãy apply — có thể ACB sẽ cho em cơ hội ở cấp thấp hơn (CV thay vì GĐ). Lời khuyên: đi làm 1–2 năm ở fintech hoặc NH trước, build portfolio, rồi apply lại.
Mức lương bao nhiêu là hợp lý để deal với ACB?
Vị trí GĐ/CV tại ACB Hội s, kết hợp AI/ML + Risk Modeling — đây là role hiếm nên bạn có negotiating power. Với cấp CV (3–5 năm kinh nghiệm), deal 45–55 triệu gross + bonus. Với cấp GĐ (7+ năm), đề xuất 90–120 triệu. Đừng quên hỏi thêm: laptop, training budget, cơ hội đi hội thảo quốc tế, bảo hiểm sức khỏe cho gia đình. ACB thường mềm hơn BIG4 NH nhà nước về các phúc lợi phi lương.
Tôi đang là data scientist ở fintech, muốn chuyển sang ngân hàng. Có nên apply không?
Nên apply. Bạn sẽ có lợi thế về tech stack (RAG, MLOps, cloud) — những thứ fintech làm trước NH. Nhưng cần học thêm về Basel, IRB, IFRS 9, quy trình tín dụng VN. Đọc "Credit Risk Modeling" và Thông tư 13/2018 trong 1 tuần là đủ vượt qua vòng technical. Lưu ý: lương có thể giảm 10–20% so với fintech top, nhưng đổi lại có data lớn hơn, brand ổn định hơn.
ACB có khác gì so với Techcombank, MB, VCB trong việc ứng dụng AI?
MB và Techcombank đi đầu về AI customer-facing (chatbot, recommendation). VCB, BIDV có data lớn nhất nhưng chậm ứng dụng. ACB nm giữa: có văn hóa đổi mới, team tech mạnh (đã build ACB One rất tốt), nhưng về risk modeling AI thì vẫn đang catch up. Đây chính là lý do họ tuyển vị trí này — bạn sẽ là người xây nền tảng. Cơ hội lớn nhưng cũng áp lực.
Cần học gì trong 6 tháng nếu muốn làm được vị trí này?
Chia làm 3 phần: (1) AI/ML — ôn lại scikit-learn, học XGBoost, SHAP, làm 1 project credit scoring end-to-end. (2) Banking — đọc Thông tư NHNN, học PD/LGD/EAD, đọc báo cáo ACB. (3) GenAI — build 1 RAG chatbot, hiểu LangChain, thử OCR tài liệu tín dụng. Stack thư viện nên thành thạo: pandas, scikit-learn, XGBoost, LangChain, FastAPI, Docker, MLflow. Cuối cùng: lấy FRM Part I nếu có thời gian.
Phỏng vấn vị trí này có khó hơn phỏng vấn data scientist thông thường không?
Khó hơn nhiều. Bạn phải vượt qua 2 loại câu hỏi: technical ML (giống data scientist bình thường) + banking domain (PD/LGD, Basel, NHNN regulations). Nhiều ứng viên tech mạnh nhưng rớt vì không hiểu IRB. Ngược lại, risk analyst thuần túy rớt vì không code được ML. Điểm ngọt là hybrid. Câu hỏi khó nhất: "Làm sao bạn giải trình một AI black-box model với kiểm toán NHNN?" — đòi hỏi bạn hiểu cả tech lẫn compliance.
Cấp GĐ hay CV ở vị trí này phù hợp với tôi? Tôi có 6 năm kinh nghiệm.
6 năm kinh nghiệm + AI/ML + risk — bạn nằm giữa ranh giới CV cao cấp và GĐ. Nếu bạn đã có 2–3 năm lead team thì mạnh dạn đề xuất cấp GĐ. Nếu mới chuyển sang banking hoặc chưa lead ai, apply cấp CV cao cấp trước, sau 1 năm promote lên. Mẹo: trong buổi phỏng vấn, để họ đề xuất level — đừng tự định giá quá thấp.
Làm risk modeling có sợ bị AI thay thế không?
Không trong 10 năm tới. Model risk management ngày càng quan trọng vì Basel IV, IFRS 9, và các quy định về AI explainability. NHNN sẽ cần NGƯỜI đánh giá model, không phải AI tự đánh giá. Tuy nhiên, công việc sẽ chuyển từ "build model bằng Excel" sang "build + monitor + explain model bằng GenAI". Ai biết dùng AI để build AI sẽ thắng. Đây chính là lý do vị trí này yêu cầu cả ML + risk + GenAI.